modelamiento basado en agentes: un método de simulación...

Canessa E. y Quezada A. Modelamiento basado en Agentes: un método de simulación computacional para la gestión de...

Rev. Int. Investig. Cienc. Soc. ISSN (Impresa) 2225-5117. ISSN (En Línea) 2226-4000. Vol. 9 nº2, Diciembre 2013. pág. 261-281.

261

ANÁLISIS

Modelamiento basado en Agentes: un método de simulación

computacional para la gestión de seguridad ciudadana

Enrique Canessa1 y Ariel Quezada2

Resumen: Este artículo presenta el Modelamiento basado en Agentes (MbA) como una

herramienta útil para analizar sistemas sociales y el impacto de posibles intervenciones sobre

estos. Para ilustrar la potencia del MbA se entrega un ejemplo didáctico de una posible

dinámica de control de delincuencia y gestión de recursos para esto. Aplicando los resultados

del MbA se ejemplifica el análisis de una posible gestión comunitaria de seguridad pública. Este

modelo muestra cómo emergen cuatro dinámicas al manipular el monto de la recompensa

entregada al contingente policial al capturar delincuentes. Al aumentar la recompensa, se

encontraron umbrales abruptos que marcan la transición entre las siguientes dinámicas: a)

extinción de policías; b) coexistencia de policías y ladrones; c) extinción de policías y ladrones; y

d) extinción de ladrones. Se concluye que el MbA ayuda en la planificación de recursos para

intervenciones comunitarias y/o en la investigación de las bases de dinámicas sociales no

lineales.

Palabras clave: Modelamiento basado en Agentes, Dinámicas Sociales no lineales, Gestión

Comunitaria, Seguridad Ciudadana.

Agent-based Modeling: a computer simulation method for the

management of public safety Abstract: This paper presents Agent-based Modeling (ABM) as a useful tool for analyzing social

systems and the impact of possible interventions on such systems. To illustrate the power of

ABM, the paper uses a didactic example of resource management applied to delinquency

control. Using the ABM’s results the paper shows the analysis of possible resource management

for public security. This model shows how four types of dynamics appear as the value of the

reward for catching thief increases, with abrupt thresholds between each of them: a) police

extinction; b) co-existence of police and thief, c) police and thief extinction, and d) thief

extinction. The paper concludes that ABM may help in the planning of resources in social

interventions and/or research aimed at explaining the basis of non-linear social dynamics.

Key words: Agent-based Modelling, Non-linear Social Dynamics, community management,

citizen security.

1 Facultad de Ingeniería y Ciencias, Universidad Adolfo Ibáñez, Chile. 2 Escuela de Psicología, Universidad Adolfo Ibáñez, Chile.

Correspondencia: Enrique Canessa. E-mail: [email protected] Recibido: 17/01/2013; Aceptado: 26/07/2013.

262


Rev. Int. Investig. Cienc. Soc. Vol. 9 nº2, Diciembre 2013. pág. 261-281. ISSN (Impresa) 2225-5117. ISSN (En Línea) 2226-4000.

INTRODUCCIÓN

Desde la perspectiva de una agencia de seguridad ciudadana frente al

incremento de los robos en su localidad, su principal tarea es la gestión de

recursos para el control y prevención del delito. Por ejemplo, requerirá optimizar el

uso de los recursos para invertir en personal de seguridad, y así disminuir los

robos. De esta manera, debe tomar rápidamente decisiones que involucran, entre

otras, la cantidad de policías, los incentivos que se le entregarán para capturar

delincuentes, la cantidad de delincuentes, la posible tasa de incremento en la

cantidad de policías y ladrones, y la cantidad de bienes materiales susceptibles de

ser robados y el ritmo de crecimiento de dicha cantidad, entre otros factores.

La situación deseable sería contar con todos los datos reales para poder tomar

decisiones, pero la obtención de los mismos es difícil y costosa. Probablemente, se

conseguiría una pequeña cantidad de datos y aislados en el tiempo, lo que

dificultaría analizar la dinámica del fenómeno. Además, la recolección longitudinal

de datos con frecuencia se ve enfrentada a la denominada mortalidad

experimental, lo que reduce los alcances y generalización de los resultados

obtenidos (Waizmann & Roussos, 2005). Esto también se agrava al realizar

estudios en la comunidad, ya que generalmente existen muchas variables difíciles

de controlar, lo que limita aún más la validez de los resultados (Zwijze-Koning & De

Jong, 2005). Finalmente, dada la cantidad de variables que el director de la agencia

podría considerar en su gestión, resultaría difícil caracterizar el fenómeno delictual,

ya que se necesitarían varios estudios que manipulen muchas variables. Esto

puede ser engorroso, dado que es fácil intuir las dificultades para establecer, por

ejemplo, una cierta proporción entre ladrones y policías en el área. Incluso algunas

variables podrían no ser manipulables en la realidad, ya sea por imposibilidad

material o ética, puesto que las intervenciones reales tendrían consecuencias

sociales y políticas mayores. El establecer una gran cantidad de policías por cada

delincuente ejemplificaría una imposibilidad material. Por otra parte, definir

variables que permitan un gran aumento de la delincuencia para probar escenarios

posibles, sería una restricción ética. Sin embargo, hacer lo anterior como

“experimentos de pensamiento” (thought experiments) ayudaría a la agencia de

seguridad a entender mejor el fenómeno y eventualmente tomar mejores

decisiones, tal como indica Axelrod (1997). Así, estos experimentos pueden asistir

la visualización preliminar de las consecuencias de intervenciones en la comunidad

y dichos resultados servirían para comunicar mejor sus ideas a otros actores

involucrados, permitiendo una mejor discusión de iniciativas, revelando aspectos

inesperados del fenómeno. Incluso, desde una perspectiva de investigación social,



263

la experimentación previa podría ayudar a focalizar estudios empíricos,

permitiendo generar hipótesis tentativas y seleccionar posibles variables a

manipular, develando sus posibles consecuencias (Canessa & Riolo, 2003; Canessa

& Riolo, 2006).

Una herramienta y metodología que permite realizar adecuadamente lo anterior

es el Modelamiento basado en Agentes (MbA). El MbA permite comprender la

dinámica de un sistema para posteriormente diseñar e implementar las

intervenciones necesarias y alcanzar así el estado deseado (Canessa & Riolo, 2006).

Conocer las posibles trayectorias para llevar a un sistema desde un estado actual a

uno futuro permitirá seleccionar aquella que sea más eficiente y eficaz para

conseguir el estado deseado, evitando el tránsito por condiciones perjudiciales.

Dadas las dificultades ya mencionadas en el análisis longitudinal de sistemas

sociales, el MbA entrega la posibilidad de lidiar con varios de dichos problemas. El

MbA consiste en desarrollar un programa computacional que permite crear

pequeñas rutinas las cuales representan actores, o también llamados agentes.

Estos agentes son capaces de tomar decisiones en forma autónoma, relacionarse

entre ellos y guardar diferentes estados internos que se pueden alterar por la

interacción con otros agentes, según reglas definidas por el programador

(Berlekamp, Conway & Guy, 1982; Vallacher & Nowak, 1997). Los estados internos

de los agentes pueden incluir preferencias, creencias, memoria de eventos recientes

y conexiones sociales (Canessa & Riolo, 2006).

Desde las ciencias sociales ha habido acercamientos al MbA a partir de los

modelos sociológicos de segregación social de Schelling (1978), los cuales han

servido para comprender cómo dicho fenómeno se da en la realidad y a diseñar

políticas tendientes a evitarlo. En psicología social Latané (1981) ha empleado el

MbA para caracterizar dinámicas de influencia social, y Arrow, McGrath & Berhdal

(2000) lo han utilizado en el estudio de la dinámica de grupos pequeños, lo que ha

propiciado posteriores desarrollos en la gestión de equipos de trabajo y su

influencia sobre el desempeño (Ilgen & Hulin, 2000; Ilgen, Hollenbeck, Johnson &

Jundt, 2005). Una buena compilación de modelos aplicables a sistemas humanos y

su gestión se encuentra en el trabajo de Phillip Ball (2003). Cabe señalar que el

MbA ha sido poco explorado entre los investigadores sociales en Latinoamérica,

aunque su uso en las ciencias administrativas en Europa y E.E.U.U. de N.A.

comenzó con fuerza en las dos últimas décadas del siglo XX.

Al tener un MbA se pueden realizar extensas simulaciones que permiten

obtener datos suficientes para caracterizar la dinámica comportamental del

264



sistema. Ahora bien, esto no significa el abandono de los datos provenientes del

sistema real o la pretensión de un pronóstico exacto de los valores puntuales del

sistema. Si bien lo que permite un MbA está lejos de esto, lo que puede hacer es

algo no menos importante: describir el patrón dinámico del comportamiento del

sistema, es decir, el movimiento longitudinal que tendrán los datos, pero no

exactamente el valor de ellos (Meyer, Gaba & Colwell, 2005).

Para lograr lo anterior, el modelo debe ser válido, es decir, se requiere que los

resultados del MbA se acerquen suficientemente bien a los resultados que se

podrían obtener en un sistema real (Bankes, 2002; Grimm et al., 2005; Grimm &

Railsback, 2005). Como en el estudio de sistemas sociales pueden estar

involucradas muchas variables, conocerlas e incluirlas a todas ellas complicaría al

MbA a tal punto que sería difícil comprender los resultados de éste (Axelrod, 1997).

Por esta razón, generalmente los MbA se usan para entender un sistema en vez de

predecir valores exactos de este (Axelrod, 1997). En efecto, se puede alcanzar lo

que se denomina equivalencia relacional o, en otras palabras, aquella que permite

analizar si el comportamiento del modelo calza apropiadamente con el del sistema

real (Grimm & Railsback, 2005). Por ejemplo, si el aumento de un parámetro del

MbA causa un incremento en una variable de salida, el mismo cambio debería

darse cualitativamente en el sistema real.

La elección de trabajar con MbA responde a la necesidad de utilizar una

herramienta que permite describir el surgimiento de comportamientos del tipo

Bottom Up, es decir, aquellos que emergen del funcionamiento y operación de

unidades individuales. Esto desde las ciencias sociales significa que un

comportamiento social se ve generado por el actuar de sujetos individuales en

interacción y perturbación mutua. Es por esta razón que resulta tan natural y útil

el uso de MbA en ciencias sociales y, en consecuencia, en las ciencias de la

administración, dado que posibilita estudiar cómo se expresa el comportamiento

agregado de los agentes del sistema, como asimismo, analizar el comportamiento

individual de cada uno. Así, un MbA permite un fácil cambio en el nivel de análisis:

se puede focalizar tanto en el nivel macro como en el micro. Esto es de gran

utilidad cuando se quiere anticipar los resultados que una intervención tendrá en

una comunidad o en una organización.

Descripción de un MbA que modela el control de delincuencia

El modelo da un ejemplo estilizado de la posible dinámica en la gestión de

recursos para el control de la delincuencia, basándose en un modelo ecológico de

presa-predador desarrollado por Wilensky & Reisman (1999). Comenzando con



265

dicho modelo, se programó el presente MbA, tratando de usar la mayor abstracción

posible, incluyendo el mínimo de variables y simplificando al máximo el modelo;

aplicando el principio KISS, Keep It Simple, Stupid! (Axelrod, 1997), que insta a que

los MbA sean lo más simples posible para que ayuden a entender el fenómeno que

modelan. Además, un MbA sencillo facilita una introducción a esta técnica y

ejemplifica mejor su uso, no pretendiendo el presente artículo ocupar el modelo

para sacar conclusiones sustantivas.

En síntesis, este MbA representa a un área geográfica donde existen ladrones

(delincuentes) y policías (personal de seguridad). A su vez, dicha área produce

riqueza a una cierta tasa. Para sobrevivir, ladrones y policías deben mantener un

nivel de energía sobre cero (de lo contrario se extinguen), para lo cual los ladrones

necesitan robar dicha riqueza y los policías deben capturarlos. Ambos van

consumiendo energía al moverse por el área. Tanto ladrones como policías

aumentan según una cierta tasa. La Figura 1 muestra una pantalla del MbA

implementado usando la plataforma de simulación Netlogo versión 4.0.2 (Wilensky,

2007), que es una plataforma de desarrollo de MbA de fuente abierta y totalmente

gratuita.

Figura 1. Vista de la pantalla principal del simulador.

Para entender y analizar el MbA, se describirán el modelo y los agentes creados.

Esto es parte del proceso de especificación de un MbA, donde debe estipularse las

266



reglas de comportamiento e interacción entre agentes y las del espacio donde

existirán estos.

- Ladrón: este agente representa a los delincuentes, caracterizado por una

figura humana azul. Los ladrones se mueven dentro de la ventana derecha

de la Figura 1. El número inicial de ladrones se establece usando el botón

Cantidad-inicial-ladrones (botones en la parte izquierda de la Figura 1). Cada

ladrón tiene asignado un nivel de energía inicial, muestreado de una

distribución uniforme entre cero y el doble de la riqueza que obtendrá al

cometer un robo. El ladrón se mueve aleatoriamente por el área, reduciendo

en una unidad su energía cada vez que lo hace y, al encontrar riqueza

(cuadrado anaranjado) la roba, aumentando su energía según lo establecido

por el botón Riqueza-obtiene-ladron-por-delito. En todo ciclo de simulación,

los ladrones aumentan según un porcentaje establecido por el botón Cte-

reproduccion-ladrones. El ladrón es eliminado si su energía llega a cero o si

es capturado por un policía.

- Policía: este agente representa a los encargados de controlar la

delincuencia, caracterizado por una figura humana verde. Los policías se

mueven en la misma área que los ladrones. El número inicial de policías se

administra usando el botón Cantidad-inicial-policias. A cada policía se le

asigna un nivel de energía inicial, muestreándolo de una distribución

uniforme entre cero y el doble de la energía que obtendrá al capturar un

ladrón. El policía se mueve aleatoriamente por el área, reduciendo en una

unidad su energía al desplazarse y, al coincidir con un ladrón lo captura,

aumentando su energía según lo establecido por el botón Riqueza-obtiene-

policia-por-ladron-capturado. En todo ciclo, la dotación de policías aumenta

según un porcentaje dado por el botón Cte-reproduccion-policias. Si la

energía del policía disminuye a cero, éste es borrado del área.

- Riqueza: la riqueza se representa por cuadrados anaranjados que se ubican

aleatoriamente sobre el área en la cantidad dada por el botón Cantidad-

riqueza-inicial. A su vez los cuadrados blancos, reciben un número

muestreado de una distribución uniforme entre cero y una constante

definida por el botón Tiempo-creacion-riqueza. En cada ciclo de simulación,

estos números se disminuyen en uno y al llegar a cero, los cuadrados

blancos se colorean de anaranjado, representando la generación de riqueza

cada cierto tiempo. Cuando un ladrón se sitúa sobre un cuadrado

anaranjado, sustrae dicha riqueza y el cuadrado se colorea de blanco, y



267

luego se sigue el mismo procedimiento que simula la creación de riqueza.

Por su parte, la máxima cantidad de riqueza que puede existir en el área

equivale a la cantidad total de celdas de ésta.

- Área geográfica: es un toroide de 51 por 51 cuadrados (total de 51 x 51 =

2601 celdas), representado por la ventana derecha de la Figura 1, por lo que

su borde izquierdo y derecho, así como el superior e inferior son adyacentes.

Por ejemplo, un agente que se mueva hacia la derecha del toroide puede

pasar del borde derecho al izquierdo y lo circunnavegará. Lo mismo sucede

con los bordes superior e inferior. Cada cuadrado puede contener a varios

policías y/o ladrones, los que se desplazan sobre el área moviéndose de

cuadrado en cuadrado.

Los tres botones superiores mostrados en la parte izquierda de la Figura 1

realizan lo siguiente: el botón Configurar establece las condiciones iniciales de una

corrida de simulación; el botón Simular inicia, pausa y detiene una corrida; el

botón Mostrar_Riqueza señala al programa si debe o no mostrar el valor de la

riqueza (energía) que cada ladrón y policía tiene durante una simulación. El gráfico

ubicado en la parte izquierda inferior de la Figura 1 muestra las series de tiempo

correspondientes a la cantidad de ladrones (línea roja), cantidad de policías (línea

verde) y cantidad de riqueza dividida por cuatro (línea azul). El eje de tiempo del

gráfico corresponde a los pasos (ciclos) de simulación desde el comienzo de una

corrida. Las ventanas pequeñas ubicadas sobre dicho gráfico muestran los valores

instantáneos correspondientes a esas mismas cantidades.

La Tabla 1 resume los parámetros del MbA y entrega una explicación de los

mismos, junto con la correspondiente interpretación sustantiva en el contexto de la

situación planteada de la gestión de control de la delincuencia.

Experimentos con el MbA y resultados

Una vez que los autores programaron y verificaron el MbA, realizaron corridas

preliminares para vislumbrar la dinámica del modelo, variando los valores de los

diferentes parámetros. Basados en esas corridas de simulación, se seleccionó un

escenario base que reflejara intuitivamente un contexto real. Este es un paso

inicial en la validación del MbA, lo que comúnmente se denomina validez de faz, o

sea, que expertos en el tema concuerden con los supuestos del modelo. Esto

facilita alcanzar equivalencia relacional entre el modelo y el sistema real. La Tabla

2 muestra los valores de parámetros establecidos para obtener dicho escenario.

268



Tabla 1. Parámetros ajustables en el modelo.

Nombre y sigla

parámetro

Explicación Interpretación en contexto

Cantidad riqueza

inicial (CRI)

Cantidad inicial de cuadrados

anaranjados, correspondiendo a

la riqueza inicial que está

presente en el área geográfica

Corresponde a la cantidad de

bienes disponibles en el

entorno susceptibles de ser

robados

Tiempo creación

riqueza (TCR)

Tiempo que demora el área en

generar riqueza

Lapso en el que los bienes se

renuevan o incrementan

Cantidad inicial

ladrones (CIL)

Cantidad inicial de ladrones que

existen en el área al comienzo

de una corrida de simulación

Número inicial de ladrones

presentes en el entorno en el

cual se administrarán recursos

para el control de la

delincuencia

Cantidad inicial

policías (CIP)

Cantidad inicial de policías que

existen en el área al comienzo

de una corrida de simulación

Dotación inicial de personal de

control de la delincuencia

presentes en el entorno

Riqueza obtiene

ladrón por delito

(ROLD)

Cantidad de riqueza (energía)

que obtiene un ladrón al robar

riqueza

Es la ganancia o

enriquecimiento que obtiene el

ladrón una vez que perpetra

un robo, lo que le permite

sobrevivir y realizar nuevos

robos

Riqueza obtiene

policía por ladrón

capturado (ROPLC)

Cantidad de riqueza (energía)

que obtiene un policía al

capturar un ladrón

Es la recompensa que obtiene

un policía al capturar un

ladrón

Constante

reproducción de

ladrones (CRL)

Probabilidad que los ladrones

aumenten en cada ciclo de

simulación

Probable tasa de aumento de

la delincuencia en el entorno

Constante

reproducción de

policías (CRP)

Probabilidad que la dotación de

policías aumente en cada ciclo

de simulación

Tasa factible de incremento en

la cantidad de personal

dedicado al control de la

delincuencia

La dinámica del escenario base se puede observar en la Figura 2. En general, la

cantidad de policías es menor que la de ladrones y coexisten, no extinguiéndose

ninguno de ellos. La cantidad de ladrones aumenta en un comienzo y luego oscila

alrededor de un número mayor de ladrones que la inicial. A su vez, la cantidad de

policías también oscila alrededor del número inicial establecido. En cuanto a la

cantidad de bienes disponibles (riqueza), esta oscila en desfase con la cantidad de

ladrones (los máximos de riqueza se producen al mismo tiempo que los mínimos de

ladrones y viceversa). La riqueza fluctúa en un rango menor que la riqueza inicial.



269

Tabla 2. Valores de parámetros del escenario base y de los experimentos.

Parámetro Valor Escenario

base

Valor usado en

Experimentos

Interpretación

Cantidad

riqueza inicial

(CRI)

1500 750 Como la riqueza máxima es 2601, se

estableció un valor que representara

aproximadamente un 60% y 30% del

máximo. Cabe notar que estos valores

reflejan abstractamente y en forma

relativa la dinámica de la riqueza y no

tienen una correspondencia directa con

unidades monetarias

Tiempo creación

riqueza (TCR)

40 40 Valor intermedio entre el mínimo cero y

máximo 100

Cantidad inicial

ladrones (CIL)

150 150 Valor que corresponde aprox. al 60%

del máximo ajustable

Cantidad inicial

policías (CIP)

50 50, 25, 15, 5 Valores que corresponden a una

proporción entre policías y ladrones

igual a 1:3, 1:6, 1:10 y 1:30

Riqueza obtiene

ladrón por

delito (ROLD)

10 10 Valor que corresponde al 20% del

máximo ajustable

Riqueza obtiene

policía por

ladrón

capturado

(ROPLC)

5 de 1 a 25 Valores que varían entre un 2% y 50%

del máximo ajustable. A mayor ROPLC,

mayor es la recompensa a los policías

por ladrón capturado

Constante

reproducción de

ladrones (CRL)


máximo ajustable. Esto significa que

en promedio el número de ladrones se

incrementará un 10% en cada ciclo de

simulación

Constante

reproducción de

policías (CRP)


máximo ajustable. Esto significa que

en promedio la dotación policial se

incrementará un 5% en cada ciclo de

simulación. Intuitivamente parece

normal que CRP sea menor que CRL, o

sea, que la cantidad de policías

aumente a menor tasa que la de los

ladrones

A este escenario se le ha llamado base, pues intuitivamente reproduce el

contexto que es más probable de encontrar en cualquier ciudad: una cantidad de

270



personal de control de la delincuencia menor que la cantidad de ladrones y una

cantidad de bienes disponibles que es sensible a la cantidad de robos, pues

disminuye cuando se realizan más delitos y aumenta su disponibilidad cuando hay

menos. Esta situación seduce a los ladrones a realizar nuevos delitos, pues

perciben más riqueza circulando. Como se ha mencionado, el foco del presente

trabajo es mostrar el uso del MbA, y por ello no se pueden sacar conclusiones

válidas del modelo aplicables directamente a una situación real. Sin embargo, el

modelo permite realizar “experimentos de pensamiento” que ayudarán a tener una

mejor noción de las posibles dinámicas del sistema.

Figura 2. Series de tiempo del Escenario base y de la Dinámica B:

Coexistencia de Policías y Ladrones (ROPLC = 5).

Luego de haber establecido este escenario base, se manipuló el valor de tres

variables, según muestra la Tabla 2. El uso de estas tres variables constituye solo

un análisis inicial, por lo que un estudio acabado requeriría una exploración más

amplia del espacio de parámetros. Los resultados se analizarán cualitativamente,

evitando un análisis numérico y privilegiando resaltar la diferencia en la dinámica

del sistema que produce la variación de parámetros, en vez de centrarse en valores

puntuales. Por ejemplo, si el MbA muestra que la dinámica del sistema es

oscilatoria, este comportamiento sería interesante de analizar; contrariamente a lo

irrelevante que sería saber el valor final exacto de una variable. Esto ya que el MbA

Cantidad de ladrones

Cantidad de riqueza / 4

Cantidad de policías



271

permite la descripción de la dinámica de un sistema, pero no predecir valores

puntuales de variables.

En la manipulación de los parámetros según lo establecido en la Tabla 2, se

notó que al ir variando ROPLC entre 1 y 25, emergieron umbrales bastante

marcados, que configuraron cuatro dinámicas diferentes para el sistema.

Dinámica A: Extinción de Policías

A nivel macro, se observa que cuando ROPLC varía entre 1 y 4, los policías se

extinguen, quedando en el largo plazo sólo ladrones, cuya cantidad oscila en

desfase con la riqueza. Esto se puede apreciar en la Figura 3.

Figura 3. Series de tiempo de la Dinámica A: Extinción de Policías (ROPLC = 2).

A continuación, para entender lo observado a nivel macro, se cambiará a un

nivel de análisis micro, lo que pondrá de manifiesto la utilidad y facilidad del

cambio en MbA. A nivel micro, se puede establecer que el MbA exhibe esta

dinámica ya que los policías obtienen muy poca recompensa cada vez que capturan

un ladrón. Por ello, su energía se agota muy rápido y no alcanzan a aumentar lo

suficiente para reemplazar a los que desaparecen, con lo cual terminan

extinguiéndose. Ahora bien, los ladrones persisten ya que no tienen policías que los

capturen. Como los ladrones obtienen su energía de la riqueza existente, está

disminuye y por ello, los ladrones también, sin llegar a extinguirse. Luego, al

Cantidad de riqueza / 4

Cantidad de ladrones


272



disminuir los ladrones y crearse nueva riqueza, esta aumenta. Con ello, hay más

riqueza disponible para que los ladrones la roben, con lo que estos también

aumentan, causando la oscilación de ladrones y riqueza con desfase entre los

máximos de esas cantidades.

Esto se representaría en un barrio en el cual se invierte “simbólicamente” en

personal de seguridad, con baja recompensa por capturar ladrones. De esta forma,

dicho personal se desincentiva y renuncia y/o es cesado de sus funciones dado que

disminuye su efectividad al estar desmotivado. Como consecuencia, los ladrones se

ven afectados tan sólo por la cantidad de bienes disponibles, es decir, cuando hay

muchos bienes puede haber más ladrones para sustraerlos hasta que, al disminuir

la riqueza, hay poco que robar y, por ende, los delincuentes se reducen. Así, este

ciclo se repite en el tiempo.

Dinámica B: Coexistencia de Policías y Ladrones

Cuando ROPLC varía entre 5 y 11, los policías y ladrones coexisten. Las

cantidades de policías, ladrones y riqueza oscilan. Al igual que en la dinámica A, la

cantidad de ladrones oscila en desfase con la riqueza. A su vez, los máximos de las

series de tiempo de cantidad de ladrones y policías también están desfasadas. Los

máximos de policías se producen un tiempo después que los máximos de ladrones.

Esto se puede apreciar en la Figura 2. Además, comparando la Figura 2 (ROPLC =

5) con la Figura 4 (ROPLC = 11), se puede ver que a medida que ROPLC aumenta,

la cantidad promedio de ladrones tiende a disminuir y la de policías y riqueza a

aumentar. Por otra parte, nótese que la variabilidad temporal de las series parece

aumentar: los máximos y mínimos de las series tienden a ser más extremos. En

este caso, los policías obtienen suficientes recompensas para sobrevivir por un

tiempo adecuadamente largo que les permita incrementarse en una cantidad que

se balancee aproximadamente con la de los policías que van desapareciendo. Esto

hace que los ladrones vayan siendo capturados, pero son repuestos por los nuevos

ladrones generados, balanceando la cantidad de policías y ladrones: los policías no

son tan numerosos para extinguir a los ladrones y éstos no son tan escasos para

que los policías no tengan suficientes ladrones para capturar.

La dinámica oscilatoria de las series de tiempo se explica como en la dinámica

A: los ladrones roban, disminuyendo la riqueza disponible, lo que reduce la

cantidad de ladrones, ya que no tienen qué robar y cómo subsistir.

Simultáneamente, la cantidad de policías aumenta y se capturan más ladrones,

reforzando la disminución de estos. Al disminuir los ladrones, la riqueza aumenta y

los policías se quedan sin muchos ladrones que capturar, con lo cual decrece su



273

nivel de energía y comienzan a desaparecer. Esto hace que la cantidad de ladrones

crezca y la riqueza disminuya, repitiéndose así el ciclo.

Figura 4. Series de tiempo de la Dinámica B: Coexistencia de Policías y

Ladrones (ROPLC = 11).

El incremento de ROPLC causa una disminución del promedio de ladrones y un

aumento del promedio de policías y riqueza, pues los policías obtienen más

recompensa por ladrón capturado, viviendo más tiempo e incrementándose más.

Esto causa la disminución de ladrones, al existir más policías que los capturen y,

al haber menos ladrones, la riqueza se incrementa.

Adicionalmente se observó que al incrementar ROPLC el rango (diferencia entre

máximo y mínimo) de cada serie de tiempo crece, puesto que esta condición

permite que los policías aumenten más, incrementando sus valores máximos. Esto

influye también -como ya se explicó- en las cantidades máximas y mínimas de

ladrones y riqueza. Es decir, la amplificación de los valores máximos y mínimos de

policías, también se refleja en las series de tiempo de ladrones y riqueza.

Esto se vería reflejado en un vecindario en el cual hay una cantidad de bienes

disponibles en el entorno que incita a los ladrones a robar. Simultáneamente se

genera una estrategia de seguridad en la cual se contrata a un personal

proporcionándoles mayores incentivos para capturar ladrones, lo que conlleva a

Cantidad ladrones

Cantidad policías

Cantidad riqueza/4

274



que tengan más recursos para realizar su trabajo e incrementar su contingente.

Una vez que los robos disminuyen los bienes disponibles, la cantidad de ladrones

comienza a decrecer, lo que se acentúa por el incremento en la cantidad de

policías. No obstante, el ciclo se renueva cuando la cantidad de ladrones disminuye

de manera tal que la cantidad de bienes disponibles aumenta y vuelve a ser un

incentivo suficiente para que surjan más ladrones. Los policías en ese momento ya

han disminuido debido a que la baja en ladrones ha hecho innecesaria la presencia

de contingente de seguridad sugiriendo a la agencia encargada de seguridad

reducir el personal. Pero al aumentar los robos, la dotación policial es

incrementada, repitiéndose el ciclo.

Dinámica C: Extinción de Policías y Ladrones

Cuando ROPLC varía entre 12 y 19, los policías y ladrones se extinguen. La

dinámica de las series de tiempo muestra una oscilación similar a la descrita para

la dinámica B, lo que se aprecia en la Figura 5. Además, se notó que a medida que

ROPLC aumenta, en general, el tiempo de simulación para alcanzar la extinción

disminuye. Como los ladrones se extinguen, la riqueza alcanza su máximo valor

posible (2601).

Figura 5. Series de tiempo de la Dinámica C: Extinción de Policías y


Esta dinámica emerge ya que la recompensa que obtienen los policías por

ladrón capturado es tal que logran vivir y reproducirse por mucho tiempo,

Cantidad ladrones

Cantidad policías

Cantidad riqueza/4



275

aumentando enormemente su cantidad. A su vez, este gran aumento de policías

permite la captura de todos los ladrones antes que éstos se incrementen en

cantidad suficiente para reponer a los capturados, con lo cual se extinguen. Por

ello, al no haber más ladrones, los policías no obtienen más recompensas y

desaparecen, mientras que la riqueza crece hasta su máximo posible.La dinámica

anterior se vería ejemplificada en un barrio en el cual la existencia de ladrones se

ve contenida por la presencia de un contingente de seguridad altamente

incentivado y que captura a la totalidad de los ladrones. Sin embargo, este éxito

haría innecesario dilapidar recursos para proteger a ciudadanos que ya no

requerirían protección, lo que en definitiva terminaría por eliminar el servicio. En

este escenario, al no haber ladrones que reduzcan la riqueza, ésta llega a su punto

máximo.

Evidentemente esta es la situación ideal, pero altamente utópica pues debería

suponer dos cosas: a) si se lograra la extinción de los ladrones, no habría

incentivos para que surgieran otros, y b) por razones de Estado o políticas de un

vecindario, no habría necesidad de tener un contingente de seguridad mínimo con

el fin de b1) disuadir el surgimiento de ladrones y b2) generar una fuente adicional

de trabajo.

Dinámica D: Extinción de Ladrones

Cuando ROPLC es mayor o igual a 20, los ladrones se extinguen, pero los

policías crecen sin límite. Evidentemente que al extinguirse los ladrones la riqueza

alcanza su nivel máximo, lo que se aprecia en la Figura 6.

Figura 6. Series de tiempo de la Dinámica D: Extinción de



Cantidad de ladrones Cantidad de

riqueza / 4

276



Al igual que en la dinámica C, los policías aumentan tanto que capturan a todos

los ladrones antes que estos logren incrementarse en cantidad suficiente para

reponer a los capturados. Sin embargo, a diferencia de la dinámica C, la cantidad

de policías crece tanto en un comienzo, dado el alto valor de ROPLC, que alcanza

un “número crítico”, tal que surgen más policías que los que van desapareciendo,

con lo cual el número de policías crece sin límite. Este crecimiento ilimitado de

policías se da incluso con la extinción de los ladrones. Aunque los policías no

puedan obtener recompensa y vayan desapareciendo, se incorporan más que los

que desaparecen, autoperpetuándose. Además, esta dinámica se genera ya que al

establecer un valor alto de ROPLC, los policías creados inicialmente y los que van

incorporándose tienen un alto nivel de energía, lo que les permite trabajar por

mucho tiempo y mantenerse, alcanzando el número crítico necesario para

autosostenerse.

Esta condición, tan utópica como la anterior, se daría si una comunidad da

grandes incentivos para ser personal de seguridad. Así, la captura de un ladrón

generaría un gran beneficio para el policía, obteniendo más recursos para tener

una buena subsistencia. Esto tendría un efecto de “llamada” (appeal) para otros

nuevos policías. Lo anterior aumentaría la cantidad de policías, permitiendo que la

riqueza del vecindario aumente al máximo, ya que no habría nuevos robos. Esta

generación de policías podría llegar a ser autosustentada pues, habiendo un gran

número de ellos: a) tendrían una gran influencia para que no haya política de

reducción de contingente, pues dejarían sin trabajo a mucha gente; y b) podría

pensarse que una gran presencia policial disuade la llegada de nuevos ladrones,

por lo cual, nunca debería disminuirse.

Además de las cuatro dinámicas descritas, la experimentación usando los

valores establecidos en la Tabla 2, permitió analizar la influencia general de dichos

parámetros sobre los resultados. En resumen, se pudo establecer lo siguiente:

- Las dinámicas A, B, C y D se dan tanto con una Cantidad de Riqueza

Inicial (CRI) igual a 1500 y 750. Para esta parte del espacio de parámetros

y en el rango analizado, CRI parece no tener mayor influencia en las

dinámicas.

- En general, en todos los escenarios, la dinámica comportamental se ve

autoorganizada por el propio sistema. Es decir, manipulando la variable

ROPLC se logra llegar a determinadas dinámicas comportamentales que se

pueden predecir, pero no pudiendo determinar exactamente la cantidad de

policías, ladrones y riqueza que se obtendrán en un determinado momento.



277

- Al disminuir CIP, los umbrales que fijan el paso de una dinámica a otra se

vuelven menos precisos. Esto significa que en los umbrales de cambio de

dinámica (ROPLC = 4, 5; 11, 12; 19 y 20), la probabilidad que una corrida

de simulación genere una dinámica distinta, tiende a disminuir. Por

ejemplo, si se fija ROPLC = 4 y CIP = 50, si se hacen 10 corridas, todas

exhibirán la dinámica A. Si ahora CIP = 5, alrededor de 7 corridas

exhibirán la dinámica A y 3 la dinámica B. Nótese que los saltos son

siempre entre dinámicas adyacentes, es decir, A a B, B a C, y C a D, pero

nunca, por ejemplo, de A a C o de C a D. Cabe agregar que se experimentó

con menores valores de CIP, ya que se quiso usar escenarios cada vez más

cercanos a un contexto comunitario real, al tener proporciones de policías

a ladrones iguales a 1:3, 1:6, 1:10 y 1:30.

CONCLUSIONES

Volviendo al ejemplo inicial de la agencia de seguridad ciudadana, los

resultados de este MbA le ayudarán a comprender mejor las dinámicas de control

de delincuencia y atisbar posibles intervenciones. Entonces, basándose en dichos

resultados preliminares, la agencia podrá diseñar más certeramente estudios

empíricos para analizar y gestionar la situación que enfrenta. Las conclusiones

preliminares más importantes que tendrá dicha agencia son las siguientes:

a) La presencia de delincuentes y el nivel máximo de riqueza disponible en el

entorno depende del monto de la recompensa que recibe el personal de

seguridad por atrapar a los delincuentes, lo que se podría interpretar como

un personal incentivado o no en su trabajo y, por ende, más o menos eficaz.

Esto se da en distintos escenarios base y en distintas condiciones iniciales,

con lo que se recomienda un personal bien recompensado e incentivado a

ser eficaz, por sobre un gran contingente con pocos incentivos y con un

pobre rendimiento. Cabe destacar que un revisor planteó que tal vez al

haber una gran recompensa por capturar delincuentes, el personal de

seguridad podría tratar de aumentar la delincuencia para obtener más

recompensas. Aunque esa situación es posible, estimamos que es menos

factible que el escenario base indicado. De todas formas, justamente una

ventaja del MbA es que se puede modificar fácilmente el modelo para

incorporar dicha situación y ver el efecto que tendría sobre los resultados.

b) En base a la cantidad inicial de bienes disponibles que se ha manipulado

(30 y 60% del máximo), se puede postular que ésta no influye mucho en su

278



valor a largo plazo y en la dinámica del sistema. Es decir, a largo plazo, la

cantidad de bienes disponibles llega a un determinado nivel según la

dinámica que emerja, con independencia de su cantidad inicial. Esto

significaría que para ciudades y barrios que mantengan esta “distancia” en

cuanto a riqueza, igualmente se observarán dinámicas homologables. Por

ello, la agencia de seguridad ciudadana no encontraría diferencias

significativas si trabaja en una ciudad, comuna o barrio de una riqueza

disponible catalogable como media alta y media baja.

c) Existen no linealidades en la dinámica del control de la delincuencia. Esto

es, una modificación en los incentivos para atrapar ladrones genera cambios

dramáticos en la dinámica delincuencial, lo que no es gradual, sino que se

da en umbrales o límites. En otras palabras, y sólo a modo de ejemplo, los

resultados que pueden obtenerse al implementar un contingente con policías

medianamente motivados sería totalmente distintos que tener la misma

cantidad de policías algo más incentivados.

Complementando lo discutido sobre la validez de un MbA, nótese que para

poder aplicar los resultados anteriores a un contexto real, se requiere establecer

equivalencia relacional con el sistema. Esto sólo se hizo preliminarmente al

establecer el escenario base intuitivo. Por lo tanto, a nivel macro, se debería

recolectar cierta cantidad de datos para compararlos con las series temporales que

generó el MbA. Asimismo, a nivel micro, habría que sustentar teóricamente el

comportamiento asignado a cada agente (Canessa & Riolo, 2006), en este caso,

policías, ladrones y riqueza. Dado lo anterior, de observar algún resultado no

intuitivo, se debería evaluar si la inferencia inicial es la incorrecta, o bien, si dicha

inferencia fuera la apropiada. En este último caso, se debería ajustar el modelo

para que los resultados concuerden con la inferencia.

En relación a la herramienta para efectuar MbA, se recomienda fuertemente

Netlogo, la cual permite hacer Thought Experiments de manera simple. Esto queda

de manifiesto al considerar que el presente modelo requirió de aproximadamente

40 horas de trabajo para ser implementado, incluyendo el aprendizaje de Netlogo.

Es más, esta simpleza permitiría que con facilidad se le agregaran a este MbA

varios aspectos adicionales si se estimase necesario para un mejor calce con la

realidad. Por ejemplo, se podría modelar el encarcelamiento de los ladrones,

haciendo que desaparezcan del área por un tiempo y luego sean reinsertados.

Sumado a lo anterior, se agrega que esta herramienta es completamente gratuita,

es de fuente abierta y se encuentra disponible para plataformas PC, Macintosh y

sistemas operativos de uso común. Además, posee una excelente documentación y



279

soporte a través de la web. Al respecto, los autores han empleado otras

plataformas para MbA tales como Swarm y Repast, y coincidiendo con otros

investigadores de ciencias sociales, Netlogo parece ser una excelente alternativa por

su sencillez de uso, permitiendo que los investigadores se concentren en estudiar

un sistema, en vez de distraerlos demasiado en programar el modelo (Robertson,

2006; Railsback, Lytinen & Jackson, 2007).

A la luz de las conclusiones obtenidas, queda claro que una dinámica que

inicialmente puede parecer simple podría evidenciar un comportamiento de mayor

complejidad, para lo cual el MbA puede facilitar su comprensión preliminar (Meyer,

Gaba & Colwell, 2005). Precisamente este trabajo muestra la aplicación de MbA a

la comprensión y posterior intervención en sistemas sociales, especialmente

cuando se sospecha que exhiben no linealidades. En particular, para las ciencias

sociales y la práctica administrativa esto es muy relevante dado que

frecuentemente se enfrentan con dinámicas no lineales y, además, con una gran

dificultad para llevar a cabo análisis y acciones en el sistema real (Meyer, Gaba &

Colwell, 2005). Esta particularidad hace difícil la comprensión de dinámicas

sociales que operan en comunidades y organizaciones, requiriéndose un análisis

más profundo para lograr una apropiada gestión de estas.

Ante esta situación, el MbA y Netlogo, como una herramienta de fácil acceso y

uso, ayudan a visualizar posibles dinámicas que emergen en una relación micro-

macro (bottom-up) por la acción y perturbación mutua entre los agentes

constitutivos de un sistema social, ya sea comunidad u organización. Sin que el

MbA se erija como un instrumento que reemplace al análisis con datos reales o que

permita pronósticos acabados y exactos de comportamientos sociales, la propuesta

de este artículo es precisamente presentar una herramienta que favorezca el

análisis preliminar de fenómenos que ocurren en grupos, comunidades y

organizaciones, ayudando a su posterior gestión.

REFERENCIAS

Arrow, H., McGrath, J.E. & Berdahl, J.L. (2000). Small Groups as Complex Systems: formation, Coordination, Development and Adaptation. London: SAGE.

Axelrod, R. (1997). Advancing the Art of Simulation in the Social Sciences (21-40). En Conte, R., Hegselmann, R & Terna, P. Simulating Social Phenomena. Berlin: Springer-Verlag.

Ball, P. (2003). The Physical Modelling of Human Social Systems. Complexus, 1, 190-206.

280



Bankes, S.C. (2002). Agent-Based Modeling: a revolution?. PNAS, 99, 3, 7199–7200.

Berlekamp, E., Conway, J. & Guy, R. (1982). Winning ways for your mathematical plays, Games in Particular 2. London: Academic Press.

Canessa, E. & Riolo, R. (2003). The effect of Organizational Communication Media on Organizational Culture and Performance: An agent-based simulation model. Computational and Mathematical Organization Theory, 9, 147-76.

Canessa, E. & Riolo, R. (2006). An agent-based model of the impact of computer-mediated

communication on organizational culture and performance: an example of the application of complex systems analysis tools to the study of CIS. Journal of Information Technology, 21, 272-83.

Grimm, V. & Railsback, S.F. (2005). Individual-Based Modeling and Ecology. Princeton, NJ:

Princeton University Press.

Grimm, V., Revilla, E., Berger, U., Jeltsch, F., Mooij, W.M., Railsback, S.F., Thulke, H.H., Weiner, J., Wiegand, T. & Deangelis, D.L. (2005). Pattern-Oriented Modeling of Agent-Based Complex Systems: Lessons from ecology. Science, 310, 987-991.

Ilgen, D.R. & Hulin, C. (2000). Computational modeling of behavior in organizations,

Washington D.C.: American Psychological Association.

Ilgen, D. R., Hollenbeck, J. R., Johnson, M. & Jundt, D. (2005). Teams in Organizations: From Input-Process-Output Models to IMOI Models. Annual Review of Psychology, 56,

517–43.

Latané, B. (1981). The psychology of social impact. American Psychologist, 36, 343-65.

Meyer, A.D., Gaba, V. & Colwell, K.A. (2005). Organizing Far from Equilibrium: Nonlinear change in organizational frontiers. Organization Science, 16, 456-75.

Railsback, S., Lytinen, S. & Jackson, S. (2007). Agent-based Simulation Platforms: review and Development Recommendations. Disponible en la red: www.humboldt.edu/~ecomodel/

documents/ABMPlatformReview.pdf

Robertson, D. (2006). Agent-Based Modeling Toolkits NetLogo, RePast, and Swarm. Academy of Management Learning & Education, 4, 525-27.

Schelling, T.C. (1989). Micromotivos y macroconducta. México, D.F.: Fondo de Cultura

Económica, S. A. de C. V. (Orig. 1978).

Vallacher, R.R. & Nowak, A. (1997). The Emergence of Dynamical Social Psychology. Psychological Inquiry, 8, 73-99.

Waizmann, V. & Roussos, A.J. (2005). Preparación de artículos científicos en Psicología clíni



281

ca, Documento de Trabajo N° 135, Universidad de Belgrano, Disponible en la red: http://www.ub.edu.ar/investigaciones/dt_nuevos/135_waizmann.pdf

Wilensky, U. (2007). Netlogo, http://ccl.northwestern.edu/netlogo/. Center for Connected Learning and Computer-Based Modeling, Northwestern University, Evanston, IL.

Wilensky, U. & Reisman, K. (1999). Connected Science: Learning Biology through Constructing and Testing Computational Theories - an Embodied Modeling Approach. International Journal of Complex Systems, M. 234, 1-12.

Zwijze-Koning, K.H. & De-Jong, M.D.T. (2005). Auditing Information Structures in Organizations: a review of data collection techniques for network analysis. Organizational Research Methods, 8, 429-53.

modelamiento basado en agentes: un método de simulación...

Documents